如何在Spark Java中遍历/迭代数据集？

Question

我试图遍历一个数据集来进行一些字符串相似性计算，如Jaro winkler或余弦相似性。我将数据集转换为行列表，然后用for语句遍历，这不是有效的spark方法。因此，我期待在Spark中找到更好的方法。

public class sample {

    public static void main(String[] args) {
        JavaSparkContext sc = new JavaSparkContext(new SparkConf().setAppName("Example").setMaster("local[*]"));
        SQLContext sqlContext = new SQLContext(sc);
        SparkSession spark = SparkSession.builder().appName("JavaTokenizerExample").getOrCreate();

        List<Row> data = Arrays.asList(RowFactory.create("Mysore","Mysuru"),
                RowFactory.create("Name","FirstName"));
        StructType schema = new StructType(
                new StructField[] { new StructField("Word1", DataTypes.StringType, true, Metadata.empty()),
                        new StructField("Word2", DataTypes.StringType, true, Metadata.empty()) });

        Dataset<Row> oldDF = spark.createDataFrame(data, schema);
        oldDF.show();
        List<Row> rowslist = oldDF.collectAsList(); 
    }
}

我发现了许多我不清楚的JavaRDD示例。数据集示例将对我有很大帮助。

Answer 1

对于不支持lambda表达式的旧java JDK，导入后可以使用以下内容：

导入组织。阿帕奇。火花应用程序编程接口。Java语言作用空隙函数；

yourDataSet.toJavaRDD().foreach(new VoidFunction<Row>() {
        public void call(Row r) throws Exception {
            System.out.println(r.getAs("your column name here"));
        }
    });

Answer 2

你可以使用org。阿帕奇。火花应用程序编程接口。Java语言作用ForeachFunction如下所示。

oldDF.foreach((ForeachFunction<Row>) row -> System.out.println(row));